如何合并存在重复关联字段的pandas DataFrame：销售表与客户表关联问题

merge后行数超出预期的核心原因是客户表（df2）中的关联键Id_Customer存在重复值：pandas的merge逻辑为左表每一行匹配右表所有对应ID的行，若右表同一个Id_Customer存在N条重复记录，左表对应行就会生成N条结果，最终总行数就会超过左表原行数。

• 第一步：确认客户表重复情况
  运行代码查看客户表中重复的Id_Customer数量：

print(df2['Id_Customer'].duplicated().sum())

• 第二步：根据重复行的业务含义处理客户表
  1. 若重复行是无效冗余、同一个Id_Customer的所有字段信息完全一致：直接对客户表按Id_Customer去重

  # 保留每个Id_Customer的第一条记录
  df2_unique = df2.drop_duplicates(subset='Id_Customer', keep='first')
  

  2. 若重复行是同一个客户的多版本有效信息（比如不同时间更新的客户资料）：先筛选出需要保留的版本，再去重
     示例（假设客户表有update_time字段代表资料更新时间，保留最新版本）：

  df2_latest = df2.sort_values('update_time', ascending=False).drop_duplicates(subset='Id_Customer', keep='first')
  

• 第三步：重新执行左关联

# 用处理后的无重复客户表和销售表关联，结果行数会和销售表df1的行数完全一致
data_sum = df1.merge(df2_unique, on='Id_Customer', how='left')

如果处理后仍有异常，先检查两个表关联键的数据类型是否一致，避免隐式匹配错误：

# 查看两个表关联键的类型
print(df1['Id_Customer'].dtype)
print(df2['Id_Customer'].dtype)

# 若类型不一致，统一转为字符串类型后再关联
df1['Id_Customer'] = df1['Id_Customer'].astype(str)
df2_unique['Id_Customer'] = df2_unique['Id_Customer'].astype(str)

内容的提问来源于stack exchange，提问作者Guaraci Falcão